python - Regex Python - 查找每个关键字实例，提取关键字和后续字符

Question

这让我发疯。

我正在尝试在一系列文档中查找“DOI”的每个实例或错误扫描的等效项。然后，我想要收集术语“DOI”以及其后最多 15 个字母数字字符。但我还需要确保找到这些，即使它们与之前的匹配重叠。

我尝试推断以前的解决方案，我遇到了另一个类似的问题，但没有成功。

Python regex find all overlapping matches?

这是我用来测试这个的示例。

要搜索的字符串:

"abhgfigDOI567afkgD0Idhdhfhfhdbvbkab3343432q3DO1fbaguig7ggkgafgkgDOIDOID01OO1"

DOI 变体:

DOI|DO1|D01|D0I|001|00I|0O1|0OI|O01|O0I|OO1|OOI

预期结果:

["DOI567afkgD0Idhdhf",
"D0Idhdhfhfhdbvbkab",
"DO1fbaguig7ggkgafg",
"DOIDOID01OO1",
"DOID01OO1",
"D01OO1",
"001"]

任何帮助将不胜感激!

谢谢!

Answer 1

以这种形式使用“DOI 变体”DOI|DO1|D01|D0I|001|00I|0O1|0OI|O01|O0I|OO1|OOI 并不是一个好主意。从基础开始:D+0+O、O+0 和 I+1。这立即导致模式“[D0O][O0][I1]”，它更紧凑，更不容易出错，并且能够更快地执行(如果您想进入 Cython 或 C)。

在这种情况下，您可以使用 re.finditer() 来查找匹配的 3 字符前缀，并从那里获取它。

在更一般的情况下，例如引导标签应该是 DOD 而不是 DOI，您不能使用 re.finditer():

Input text:     DODOD987654321
First match:    DODOD987654321
Second match:     DOD987654321 # Not found by re.finditer()

在最一般的情况下(例如，引导标签是 DDD)，您需要在循环中执行 re.search()，在成功匹配后将搜索开始位置仅增加 1 个位置。